시드 페어링으로 변동성 감소: 다중 에이전트 경제 시뮬레이션 사례

초록

본 논문은 학습 기반 다중 에이전트 시뮬레이션에서 실험 설계 시 동일한 난수 시드를 공유하는 ‘시드 페어링’ 방법이 두 정책(또는 알고리즘) 간의 비교에 있어 결과의 분산을 크게 줄여 준다는 이론적·실증적 근거를 제시한다. 시드 수준에서 양의 상관관계가 존재할 경우, 페어링된 추정량은 독립 실행보다 낮은 분산을 보이며, 이는 동일한 계산 예산 하에서 더 좁은 신뢰구간, 높은 검정력, 그리고 방향성 안정성을 제공한다. 저자들은 확장된 TaxAI 경제 시뮬레이터에 기본 정책과 기본소득(UBI) 정책을 적용해 22개의 공유 시드로 실험한 결과, GDP와 지니계수 등 주요 지표에서 시드 페어링이 통계적 유의성을 크게 향상시킴을 확인하였다.

상세 분석

본 연구는 난수 시드가 결정론적이면서도 시뮬레이션 전반에 걸쳐 초기조건, 환경 전이, 학습 노이즈 등을 동시에 제어한다는 점에 착안한다. 두 정책 d∈{0,1}에 대해 동일한 시드 s를 사용하면 Y(1,s)와 Y(0,s) 사이의 공분산이 양수일 경우, 페어링 추정량 ˆΔ_pair의 분산은 독립 추정량 ˆΔ_ind보다 2·Cov(Y(1,s),Y(0,s))/n 만큼 감소한다는 정리를 제시한다(정리 1). 이는 전통적인 공통 난수 기법(Common Random Numbers)과 수학적으로 동일하지만, 여기서는 시드가 단일 난수 추출이 아니라 전체 학습 궤적을 결정한다는 점이 차별점이다. 특히, 시드 수준 상관계수 ρ가 0.9 이상으로 높은 경우(표 1 참고) 분산 감소 효과는 거의 최대에 도달한다.

분산 감소는 표준오차(SE)와 직접 연결되며, SE_pair = SE_ind·√(1−2ρσ₁σ₀/(σ₁²+σ₀²)) 로 표현된다. 따라서 고ρ 상황에서는 동일한 시드 수 n에 대해 독립 설계보다 훨씬 좁은 신뢰구간을 얻을 수 있다. 저자들은 이를 ‘유효 표본 크기(effective sample size)’ 개념으로도 확장하여, r_eff = r·(σ₁²+σ₀²)/(σ₁²+σ₀²−2ρσ₁σ₀) 로 정의한다. ρ≈0.9이면 r_eff≈r·0.1 수준으로, 동일한 계산 비용으로 독립 실행 대비 약 10배 이상의 통계 효율을 달성한다는 의미다.

실증 부분에서는 TaxAI 시뮬레이터에 기본소득 정책을 추가한 변형을 도입하고, GDP와 지니계수 두 목표에 대해 22개의 공유 시드와 동일 수의 독립 시드를 각각 사용해 비교했다. 결과적으로, 페어링 설계에서는 불평등 지표(Gini)에서 0을 포함하지 않는 신뢰구간을 얻어 정책 효과가 통계적으로 유의함을 확인했지만, 독립 설계에서는 구간이 0을 포함해 결론이 모호했다. 또한, GDP와 세수 비율에서도 페어링이 신뢰구간 폭을 10배 이상 축소하였다. 이러한 현상은 시드 수준에서 정책 간 결과가 강하게 양의 상관관계를 보이기 때문에, 시드 페어링이 잡음 성분을 효과적으로 상쇄시킨 것으로 해석된다.

마지막으로 저자들은 시드 페어링이 ‘디자인 선택’이며, 시드 간 상관관계가 부정적이거나 거의 없을 경우에는 독립 설계와 동일한 효율을 보인다고 강조한다. 따라서 시드 페어링을 적용하기 전에는 사전 탐색을 통해 ρ를 추정하고, ρ>0.5 정도이면 적용을 권장한다는 실용적 가이드라인을 제시한다.